​

不同生長(zhǎng)階段頂視相機(jī)角度下進(jìn)行稻穗分割

近日華中農(nóng)業(yè)大學(xué)和華中科技大學(xué)聯(lián)合作物表型研究團(tuán)隊(duì)在《Plant Methods》雜志上發(fā)表題為：Panicle-SEG: A robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization的文章，該文章首次將深度學(xué)習(xí)技術(shù)和超像素聚類算法相結(jié)合，實(shí)現(xiàn)了高魯棒性的大田小區(qū)水稻稻穗分割，實(shí)驗(yàn)結(jié)果表明，該算法能適用于不同的光照環(huán)境，不同的水稻品種，不同的水稻生育期，并且能處理不同的成像場(chǎng)景和角度的水稻圖像。

水稻是世界大部分人口的主要糧食作物，稻穗作為一種重要的農(nóng)藝學(xué)器官，其與水稻的產(chǎn)量，疾病的檢測(cè)，生育期的判斷都有密切的聯(lián)系。大田環(huán)境是水稻生長(zhǎng)的真實(shí)生長(zhǎng)環(huán)境，所以研究田間水稻稻穗首先要解決的如何將其精準(zhǔn)的分割出來(lái)。通常田間的環(huán)境是十分復(fù)雜的，變化的光照，風(fēng)場(chǎng)的干擾，天氣的影響，水的反射和莖葉混疊遮擋的現(xiàn)象都給水稻稻穗的研究帶來(lái)了困難。同時(shí)，由于水稻品種的差異，使得稻穗在顏色，紋理，形態(tài)，大小和姿態(tài)上都有著很大的差異，不同的拍照視角也會(huì)使得稻穗圖像差異很大，這些問(wèn)題都給田間水稻稻穗的分割帶來(lái)了不小的挑戰(zhàn)。因此通用的分割算法不再那么適用，必須設(shè)計(jì)出一套魯棒性更高的田間水稻稻穗分割算法。

近年來(lái)，深度學(xué)習(xí)方法在多個(gè)領(lǐng)域廣泛應(yīng)用，由于其強(qiáng)大的自動(dòng)特征提取、復(fù)雜模型構(gòu)建以及圖像處理能力，其非常適合生物圖像處理中所面臨的新問(wèn)題。本研究中，田間水稻以小區(qū)的方式種植，每個(gè)小區(qū)（90×90 cm²）種有20株相同品種的水稻，小區(qū)與小區(qū)之間以保護(hù)行的形式隔開(kāi)。每塊小區(qū)獲取兩張照片，即分別從頂視和俯視對(duì)水稻小區(qū)成像。將獲取的頂視圖像和俯視圖像分成訓(xùn)練集，驗(yàn)證集和測(cè)試集。對(duì)于訓(xùn)練樣本（包括訓(xùn)練集和驗(yàn)證集），利用簡(jiǎn)單線性迭代聚類（SLIC）的方法提取最終訓(xùn)練的圖像塊（patches），通過(guò)卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行分類模型的訓(xùn)練。然后利用訓(xùn)練好的CNN模型對(duì)測(cè)試樣本進(jìn)行分類測(cè)試。粗分割結(jié)果優(yōu)化后得到最終的稻穗的分割圖像。基于深度學(xué)習(xí)的方法，本研究?jī)H僅利用普通的單目RGB相機(jī)來(lái)獲取大田水稻圖像，并提出了一種將稻穗分割任務(wù)轉(zhuǎn)換成分類任務(wù)來(lái)實(shí)現(xiàn)的新思路，該方案在較好實(shí)現(xiàn)水稻稻穗分割的同時(shí)也保證了分割邊緣的完整性，同時(shí)，對(duì)于復(fù)雜多變的場(chǎng)景和環(huán)境（如不同光照等），該算法都具有很好的分割魯棒性，對(duì)于不同成像角度的圖像，該算法同樣能夠適用，在測(cè)試樣本的平均分割精度在80%以上。

Panicle-SEG算法流程圖

該工作得到了國(guó)家高技術(shù)發(fā)展計(jì)劃（National Program on High Technology Development (2013AA102403)）、國(guó)家重點(diǎn)研究與發(fā)展計(jì)劃（National key research and development program (2016YFD0100101-18)）、國(guó)家自然科學(xué)基金（National Natural Science Foundation of China (31701317, 31770397)）、湖北省自然科學(xué)基金（Hubei Provincial Natural Science Foundation of China (2017CFB208)）、湖北科學(xué)條件和資源研究項(xiàng)目（Scientific Conditions and Resources Research Program of Hubei Province of China (2015BCE044)）和學(xué)校基礎(chǔ)研究基金（Fundamental Research Funds for the Central Universities (2662015QC006, 2662017PY058)）的資助。

來(lái)源：Xiong Xiong, Lingfeng Duan, Lingbo Liu, Wanneng Yang and Qian Li (2017), Panicle-SEG: A robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization, Plant Methods, 13:104.